使用深度图卷积网络进行犯罪热点预测
机器学习
2026-04-30 v2 计算与语言
摘要
犯罪热点预测对于确保城市安全和有效执法至关重要，但由于犯罪活动中固有的复杂空间依赖关系，这仍然具有挑战性。传统方法使用经典算法如KDE和SVM来建模数据分布和决策边界。这些方法往往无法捕捉这些空间关系，将犯罪事件视为独立事件并忽略地理交互。为解决这一问题，我们提出了一种基于图卷积网络(GCNs)的新型框架，通过将犯罪数据表示为图来明确建模所有空间依赖关系。在该图中，节点表示离散的地理网格单元，边捕捉邻近关系。芝加哥犯罪数据集的空间特征被用于该系统，训练了一个多层GCN模型来对犯罪类型进行分类并预测高风险区域。我们的方法显著优于传统方法，实现了78%的分类准确率。此外，该模型生成了可解释的热力图来展示犯罪热点，证明了基于图的学习在预测性警务和空间犯罪学中的有用性。
引用
@article{arxiv.2506.13116,
title = {Crime Hotspot Prediction Using Deep Graph Convolutional Networks},
author = {Tehreem Zubair and Syeda Kisaa Fatima and Noman Ahmed and Asifullah Khan},
journal= {arXiv preprint arXiv:2506.13116},
year = {2026}
}